semisupervisionado

El aprendizaje semisupervisado, o semisupervisión, es un paradigma de aprendizaje automático que utiliza un conjunto pequeño de datos etiquetados junto con un conjunto mucho mayor de datos no etiquetados para entrenar modelos. Se sitúa entre el aprendizaje supervisado y el no supervisado, buscando aprovechar la información presente en los datos no etiquetados cuando las etiquetas son costosas o difíciles de obtener.

La idea central es explotar la estructura de la distribución de datos no etiquetados para guiar el aprendizaje. Se apoya en supuestos como la agrupación: puntos cercanos en el espacio tienden a compartir etiqueta; la separación de baja densidad entre clases; y, en general, la creencia de que los datos siguen una topología subyacente (manifold). El objetivo es optimizar una combinación de pérdida supervisada sobre los datos etiquetados y pérdidas no supervisadas o de regularización que aprovechen los no etiquetados para promover predicciones consistentes o coherentes.

Las estrategias típicas combinan una pérdida supervisada para los ejemplos etiquetados con una componente no supervisada que utilice los datos sin etiquetar. Entre ellas están el autoetiquetado (self-training), el co-entrenamiento, los métodos basados en grafos (propagación de etiquetas) y enfoques de regularización de consistencia. Existen variantes como los S3VM (semisupervised SVM) y enfoques modernos basados en ensembling y etiquetas pseudo, como Mean Teacher.

Aplicaciones: visión por computadora, procesamiento de lenguaje natural, reconocimiento de voz y biomedicina. El semisupervisado puede reducir significativamente el costo de etiquetado al aprovechar grandes volúmenes de datos no etiquetados mientras mejora la precisión en tareas con datos limitados.

Desafíos: las ventajas dependen de la validez de las suposiciones para el dominio; las etiquetas generadas para datos no etiquetados pueden introducir sesgos o errores si la distribución cambia. Requiere cuidados en selección de hiperparámetros y evaluación.